[发明专利]一种辅助搬运的可穿戴智能设备控制方法

摘要

本发明公开了一种辅助搬运的可穿戴智能设备控制方法，利用相邻尺度间小波系数的聚集性和持续性的特点构建了隐马尔科夫模型,采用贝叶斯估计得到真实信号小波系数,通过信号重构去除噪声，用训练后的神经网络对其进行分析处理，估计出相应肌肉用力大小，将肌电力触觉传感器所得力触觉信号和肌肉用力大小信号输入模糊控制器，驱动电机转动速度从而控制握力大小，利用手臂支撑部位肌肉用力大小的等级触发手臂支撑助力部件动作，该手臂支撑助力部件的动作信号触发手指助力部件对手指的被动控制，手臂支撑助力部件动作信号触发腰部助力部件动作，助力部件的动作逻辑更科学合理，能更大程度上实现助力部件的助力效果。

主权项

1.一种辅助搬运的可穿戴智能设备控制方法，其特征在于，该方法包括：步骤一、获取食指、中指、无名指活动时的多通道表面肌电信号，采用隐马尔科夫模型对表面肌电信号小波分解得到手指肌电信号的小波系数，将该小波系数利用最大期望算法训练，采用高斯混合模型，假设在同一尺度内所有小波系数是同一分布的并且有相同的状态转移矩阵,由最大期望算法得到隐马尔科夫模型的各个参数；步骤二、得到食指、中指、无名指分别对应的隐马尔科夫模型的参数之后,用去除噪声的小波系数重构得到滤波之后的多通道表面肌电信号；步骤三、通过多通道表面肌电信号的特征参数得到肌电整体强度和肌电活动空间分布的多维特征值矩阵，将该征值矩阵分解为个人因素矩阵Z和动作模式矩阵X，动作模式矩阵X作为模式识别分类器的输入，利用对称双线性模型表示特征值矩阵yk＝zTWkx；式中:zT表示的是个人因素部分，x表示的是动作模式部分，Wk属于双线性模型的系数矩阵；定义特征值矩阵式中:u∈(1～U)，m∈(1～M)]表示的是第u个受试者执行m动作第N次时的多维特征值矩阵；步骤四、获得新用户在某个动作下的特征值矩阵y，利用双线性模型的动作模式矩阵均值及系数矩阵，计算新用户个人因素矩阵:z＝[[WX][WX]CV]+ycv由不同动作模式下的表面肌电信号特征值矩阵y，得到动作模式矩阵部分x为：x′＝[[WCVz]CV]+y'步骤五、以柔性电极阵列提取的食指、中指、无名指活动时的指总伸肌整体肌电信号建立表面肌电幅度、肌电活动的空间分布特征矩阵的双线性模型，进行手指力量水平识别；步骤六、获取手臂支撑部位表面肌电信号，选取肌电信号的绝对平均值A、方差S、平均频率三个特征参数构成误差方向传播神经网络的输入向量训练后得出神经网络参数矩阵W₁和W₂，使用W₁和W₂计算手臂支撑部位肌肉用力大小的估计值F_e；步骤七、将输入变量和输出变量模糊化，手臂支撑部位肌肉用力大小Fe根据数值大小将模糊语言设定为若干等级，对应的手臂支撑部位实际握力大小Fh的模糊语言也设定为若干等级，针对输出变量，电机转速S模糊语言设定为若干等级；步骤八、根据手臂支撑部位肌肉用力大小的等级触发手臂支撑助力部件动作，该手臂支撑助力部件的动作信号触发手指助力部件对手指的被动控制；步骤九、获取腰部表面肌电信号，计算腰部肌肉用力大小的估计值，手臂支撑助力部件动作信号触发腰部助力部件动作；步骤十、腿部助力部件采用单自由度外骨骼系统由穿戴者和腿部助力驱动单元一起提供外骨骼动力矩，电机的输出力矩根据外骨骼自身信息得到，电机的输出力矩为Ta＝(1‑α‑1)G(q)。